Každý, kdo se vážně pokoušel trénovat svůj vlastní model LoRA v roce 2023 nebo 2024 - ať už pomocí kohya_ss, Axolotl nebo jiného řetězce nástrojů založeného na PEFT - ví, že mezi teorií a praxí často zeje hluboká propast. Na papíře to zní jednoduše: načtěte základní model, připravte si vlastní trénovací data, upravte parametry a můžete začít. Ve skutečnosti to často končí v džungli verzí jazyka Python, chyb CUDA, nekonzistentních knihoven a chybných formátů paměti. Přepínáte mezi safetensors, ckpt, GGUF nebo nověji MLX, aniž byste vždy věděli, který formát je aktuálně kompatibilní - a proč ne. I malé změny v nastavení mohou způsobit pád celých tréninkových běhů, a pokud chcete model použít v jiném prostředí, často vás čeká další kolo konverzí.
Právě v této situaci začínáme chápat pravý význam pojmu "nízkoúrovňová adaptace": Nejen proto, že se přizpůsobujete modelům s nízkým rankem, ale protože se sami stáváte pokornými - tváří v tvář složitosti těchto systémů. A přitom právě tato metoda je klíčem k adaptaci velkých jazykových modelů efektivním způsobem, který šetří zdroje a je specifický pro danou doménu.
Nyní vstupuje na scénu společnost Claris s produktem FileMaker 2025 - prostředím, které bylo dříve známé zcela jinými věcmi: databázovými řešeními, obchodními procesy, jasně strukturovanými pracovními postupy.
A najednou se tam objeví krok skriptu, který se jednoduše jmenuje "Fine-Tune Model". Příkaz, který zmiňuje slovo "LoRA" jedním dechem se slovem "FileMaker". Každý, kdo strávil posledních několik let na klasických školeních LoRA, si nevyhnutelně protře oči. Protože otázka je nasnadě: může to opravdu fungovat - a pokud ano, tak na jaké úrovni?
Tato zvědavost je oprávněná. Koneckonců, zatímco dříve lidé trávili hodiny nad příkazovým řádkem, FileMaker nyní nabízí možnost školení "na jedno kliknutí myši" - přímo v prostředí, které již obsahuje data, s nimiž chcete školit. Změna paradigmatu: od experimentální laboratoře k produktivní sadě nástrojů. Skepse však samozřejmě zůstává na místě. Protože jakkoli je tato myšlenka okouzlující, skutečná otázka zní: co se děje technicky? Jedná se o skutečné, plnohodnotné vyladění LoRA, nebo o abstrahovanou, zjednodušenou verzi? A jak se výsledky kvalitativně liší od školení prováděného tradičními metodami?
Než to budeme moci posoudit, stojí za to se krátce ohlédnout zpět - na samotný princip, na myšlenku LoRA, která nám umožnila přehodnotit velké modely na malém prostoru.
Na nový Funkce AI z aplikace FileMaker 2025 Markus Schall zveřejnil na svých webových stránkách samostatný článek. Následující článek se nyní zabývá dolaďováním jazykového modelu LoRA přímo z aplikace FileMaker. V příštím článku si popíšeme, jak lze jazykový model trénovat v praxi pomocí FileMakeru.
Co je to vlastně LoRA? - Stručný přehled principu
LoRA je zkratka pro Low-Rank Adaptation a tento název přesně vystihuje tuto metodu. Jedná se o techniku, při které se velká neuronová síť nepřetrénuje úplně, ale pouze se v komprimované podobě upraví určité váhové matice. Konkrétně jsou některé vrstvy modelu opatřeny malými dodatečnými maticemi, které tvoří tzv. adaptéry. Tyto adaptéry se během procesu dolaďování učí nové, pro danou úlohu specifické vzory, aniž by se měnily původní váhy modelu. To má dvě hlavní výhody: zaprvé se tím šetří paměť a výpočetní výkon a zadruhé základní model zůstává nezměněn - můžete tedy na stejném základě vytvořit, kombinovat a v případě potřeby odstranit několik jemných doladění.
Tento nápad se původně zrodil z nutnosti. Kompletní vyladění bylo jednoduše příliš nákladné. Přeškolení modelu s několika miliardami parametrů vyžaduje nejen výkonný hardware, ale také obrovské množství dat a přesné řízení. LoRA naproti tomu přišla s pragmatickým řešením: místo změny celé sítě se optimalizuje jen hrstka dodatečných vah - obvykle jedno až dvě procenta celkového objemu. Díky tomu se jemné doladění rázem stalo reálnou možností pro jednotlivé uživatele, začínající firmy a výzkumné skupiny.
LoRA v podstatě symbolizuje změnu, kterou vývoj umělé inteligence prošel. Zatímco v minulosti se výcvik prováděl od nuly, dnes hovoříme o adaptaci: přizpůsobení stávajících znalostí namísto vynucování nových. Jde o strojový ekvivalent toho, čemu lze v lidském učení říkat zkušenost - model se učí orientovat v novém prostředí, aniž by ztratil svou identitu.
Další výhodou systému LoRA je jeho modularita. Jednou vycvičený adaptér LoRA lze načíst nebo vyjmout jako přídavný modul. Vznikají tak specializované varianty základního modelu - například model chatu specializovaný na lékařské texty, model pro právnický jazyk nebo model odrážející styl určité společnosti. V praxi se tento proces ustálil jak pro textové, tak pro obrazové modely, přičemž základní principy zůstávají stejné: malé, diferencované úpravy namísto velkých, globálních zásahů.
Ale i když je samotný proces elegantní, jeho realizace zůstává náročná. O úspěchu či neúspěchu rozhoduje tréninkové prostředí, příprava dat a správné hyperparametry. Právě zde se projevuje zásadní rozdíl mezi klasickými open source řetězci nástrojů, jako jsou Axolotl, LLaMA-Factory nebo kohya_ss, a novým integrovaným řešením ve FileMakeru 2025. Oba využívají stejnou matematickou myšlenku - ale zasazují ji do zcela odlišných technických a koncepčních souvislostí.
A právě v tom spočívá naše srovnání: ve snaze porozumět dvěma světům, které mluví stejným jazykem, ale myslí zcela odlišně.
Klasický způsob - školení LoRA s kohya_ss a PEFT
Ti, kteří dávají přednost klasickému způsobu Školení LoRA Rituál je známý každému, kdo někdy používal adaptér LoRA: nejprve instalace Pythonu, pak správná verze PyTorchu, pak příslušné ovladače NVIDIA - a na konci je vždy stejná nejistota, zda vše spolu ladí. Kohya_SS, původně určený pro trénování vizuálních modelů, se v posledních letech stal jakýmsi univerzálním řešením pro všechny, kdo chtějí vytvářet adaptéry LoRA, ať už pro obrázky, nebo pro text. Pod kapotou systému se skrývají stejné principy jako u knihovny PEFT od společnosti Hugging Face - pouze v pohodlnějším grafickém rozhraní.
Postup je vždy stejný. Začínáte se základním modelem, například derivátem Lamy nebo Mistralu. Poté se připraví trénovací data - obvykle ve formě souborů JSONL se strukturami rolí ("uživatel" a "asistent"), ale někdy také jako jednoduché seznamy otázek a odpovědí. Poté je třeba definovat parametry: Učební rychlost, LoRA rank, vrstva adaptéru, velikost dávky, optimalizátor, cílové adresáře. Už tato fáze odděluje hobbysty od trpělivých, protože každé z těchto nastavení může znamenat rozdíl mezi úspěchem a neúspěchem.
Následuje vlastní fáze výcviku, kterou často provází pocit mezi nadějí a skepsí. Zatímco GPU hodiny počítá, vy se zvědavostí sledujete křivku ztrát, a přesto si nikdy nejste jisti, zda je výsledek na konci opravdu lepší než předtím. Někdy trénink skončí chybovou hláškou, jindy souborem, který již později nelze načíst. A pokud se to podaří, čeká vás další výzva: převést hotový model do formátu, který lze použít v jiných prostředích. Adaptér, který je k dispozici jako safetensors, je často třeba převést do GGUF nebo MLX - v závislosti na cílové platformě. Občas se při tom ztratí tenzory, a pokud máte smůlu, jste opět na začátku.
Navzdory všem těmto překážkám má klasická cesta jisté kouzlo. Je upřímná, transparentní a na každém kroku cítíte, co se děje v pozadí. Vidíte váhy, můžete individuálně měnit parametry, máte plnou kontrolu. A právě v tom bylo dlouhou dobu kouzlo tohoto světa: odměňoval ty, kteří se probojovali džunglí. Každý, kdo poprvé úspěšně natrénoval svůj vlastní model LoRA, měl pocit, jako by vystoupil na vrchol.
V určitém okamžiku však vyvstane otázka, zda je tato snaha ještě vhodná. Cíl přece zůstává stejný - vytvořit model, který se přizpůsobí konkrétnímu jazyku, stylu nebo oboru činnosti. Metoda je správná, ale dostat se k ní je často obtížné. A tak roste touha po prostředí, ve kterém to vše již není víkendový projekt, ale pracovní nástroj.
FileMaker 2025 - Doladění LoRA pomocí skriptu
S FileMaker 2025 Právě k tomuto kroku se nyní společnost Claris odhodlala - a lze říci, že s jistou elegancí. Poprvé se tak objevuje klasický obchodníDatabáze příkaz s názvem "Fine-Tune Model". Za tímto jednoduchým výrazem se skrývá pozoruhodná myšlenka: školení LoRA, dříve téma pro specialisty, je integrováno přímo do každodenního pracovního procesu.
Technicky se to děje prostřednictvím takzvaného modelu AI. Serverkterý běží lokálně na systémech Apple Silicon a je založen na frameworku MLX společnosti Apple. Tento systém se stará o všechny kroky výpočtu - od načtení základního modelu až po vytvoření vrstvy adaptérů. Uživatel musí pouze určit, která data mají být trénována, a může tak učinit dvěma způsoby: buď prostřednictvím existujícího souboru FileMakerTabulka - například kolekce dotazů zákazníků, dialogů podpory nebo textových fragmentů - nebo prostřednictvím externího souboru JSONL ve formátu chatu. Odpadá tak časově náročná příprava dat mimo systém; pracujete přímo s datovými záznamy, které jsou již ve firmě k dispozici.
Výběr parametrů byl také výrazně zjednodušen. Místo dvaceti parametrů je jich jen několik, ale rozhodujících - max_steps, learning_rate, batch_size a lora_layers. Zbývající hodnoty jsou v enginu rozumně přednastaveny. Tato redukce není nevýhodou, ale výrazem jasné filozofie návrhu: FileMaker nemá být výzkumnou platformou, ale nástrojem, který poskytuje reprodukovatelné a stabilní výsledky.
Samotné doladění pak probíhá jako jakýkoli jiný příkaz skriptu: Uživatel zavolá "Fine-Tune Model", předá název modelu a umístění úložiště a FileMaker předá zbytek serveru AI Model Server. Trénování probíhá zcela lokálně - bez cloudu, bez rozhraní API třetí strany, bez rizika ochrany dat. Výsledkem je nový model s předponou fm-mlx-, který lze použít přímo v prostředí FileMaker pro generování textu, klasifikaci nebo dialogové funkce.
Výrazně jednodušší proces školení LoRA s FileMakerem
Každý, kdo má zkušenosti s klasickou LoRA, bude pravděpodobně při prvním spuštění překvapen: žádný terminál, žádná záplava logů, žádné záhadné chybové zprávy. Místo toho je zde jasný ukazatel průběhu a reprodukovatelný výsledek. Samozřejmě můžete kritizovat skutečnost, že máte menší kontrolu - žádný přístup k exotickým optimalizátorům, žádné experimenty s QLoRA nebo zmrazováním vrstev - ale právě o to jde. Claris není určen pro výzkumníky, ale pro uživatele, kteří chtějí produktivně pracovat s vlastními daty.
To zásadně mění charakter školení LoRA. Z experimentálního procesu se stává plánovatelný proces. V budoucnu budou společnosti schopny přizpůsobit své vlastní interní jazykové modely, aniž by musely samy provozovat infrastrukturu. Data zůstávají ve firmě, procesy jsou zdokumentovány a výsledky lze verzovat a automatizovat jako jakoukoli jinou komponentu FileMakeru.
Samozřejmě je zde povolena i skepse. Modelový server AI je stále vázán na Apple Silicon a stále chybí hloubkový přístup k parametrům. Cesta je však jasná: tam, kde dříve trvalo nastavení týdny, to nyní trvá jen několik minut. A tam, kde bylo dříve pracné přepínat mezi formáty úložiště, nyní stačí příkaz skriptu.
FileMaker tak dosáhl něčeho, co je na scéně umělé inteligence vzácné: nesnažil se dělat "více", ale "méně" - a to způsobem, který zdůrazňuje skutečnou sílu platformy. Struktura místo chaosu, integrace místo roztříštěnosti.
Praktické srovnání - MLX-LoRA vs. PEFT-LoRA
Pokud oba přístupy postavíte vedle sebe, zjistíte na první pohled, že v podstatě dělají totéž - přizpůsobují existující jazykový model pomocí dodatečných adaptačních vah. Způsob, jak toho dosáhnout, by se však sotva mohl lišit více. Zatímco svět open source vnímá LoRA jako flexibilní modulární systém, společnost Claris jej chápe jako součást jasně definovaného pracovního postupu. Někdo s jednotlivými komponentami experimentuje, jiný je hladce integruje do uzavřeného prostředí.
Klasický přístup PEFT (Parameter-Efficient Fine-Tuning) - například prostřednictvím Axolotl, LLaMA-Factory nebo kohya_ss - umožňuje kontrolovat každý detail tréninkového procesu. Můžete konkrétně definovat, které vrstvy se přizpůsobí, jaké rychlosti učení se použijí, jak se pracuje s gradienty, jak se ukládá paměť nebo jak se mění velikost dávek. Tato volnost je mocná, ale vyžaduje odborné znalosti a citlivost. I malé chyby v konfiguraci vedou k nepoužitelným modelům nebo nekonvergujícím běhům. Výhoda spočívá v jeho vědecké povaze: pokud chcete pochopit, proč se model chová tak, jak se chová, je to nejlepší místo, kde začít.
FileMaker 2025 je zcela odlišný a LoRA zde není chápána jako výzkumný nástroj, ale jako provozní funkce - součást systému, který zpracovává informace, nikoli je vyhledává. Nový skriptovací příkaz abstrahuje od mnoha technických detailů, aniž by narušoval základní myšlenku. Dolaďování probíhá na pozadí na serveru AI Model Server a řídí se několika jednoduchými parametry. Vše, co bylo dříve v souborech YAML nebo příkazech shellu, se přelévá do známého skriptu FileMakeru. Výsledek je méně efektní, ale stabilnější - reprodukovatelný proces, který lze zdokumentovat, automatizovat a integrovat do firemní logiky.
Rozdíl by se dal popsat takto: Klasický způsob se podobá práci s motorem, kde je vidět každé těsnění a každé seřízení je ruční. FileMaker naproti tomu motor zakryl a vedle něj umístil startovací tlačítko. Výsledek může být pro hobbysty méně vzrušující, ale startuje spolehlivě.
Co se týče výsledků, kvalita v obou případech závisí na stejných faktorech: kvalitě dat, vhodnosti míry učení a základního modelu. Rozdíly vyplývají spíše z povahy prostředí než ze samotné metody. FileMaker ze své podstaty pracuje v uzavřených souborech dat - typicky v korpusech specifických pro aplikace nebo firmy. To znamená čistší, ale menší soubory dat. Naproti tomu ve světě otevřených zdrojů se obvykle používají velké smíšené datové sady, často z nejrůznějších zdrojů. To může na jedné straně vést k robustnějším výsledkům, ale na druhé straně k nekonzistentnějším výsledkům.
Výsledek je jasný: FileMaker poskytuje stabilní a použitelný model v kratším čase, zatímco školení založené na PEFT nabízí větší potenciál, ale také větší nejistotu. Pokud tedy chcete reprodukovatelný proces, který lze začlenit do každodenního pracovního života, je FileMaker nečekaně vyspělým řešením. Na druhou stranu ti, kteří chtějí experimentovat, porozumět a jít za hranice standardních parametrů, jsou na tom lépe ve světě open source.
Rozdíly v kvalitě - na čem skutečně záleží
Přes všechny diskuse o rámcích, formátech a příkazech nesmíme opomenout jednu věc: Kvalita vyladění LoRA není dána nástrojem, ale tím, čím ho krmíte. Čistě strukturovaný soubor dat, který obsahuje jasně formulované výzvy a realistické odpovědi, má na konečný výsledek větší vliv než jakákoli míra učení nebo velikost dávky. To platí jak pro školení v aplikaci FileMaker, tak pro běhy založené na PEFT.
Přesto stojí za to podívat se na rozdíly, které mají nepřímý vliv na kvalitu. V klasickém prostředí se obvykle pracuje s větším množstvím dat, což s sebou nese určitou míru rozptylu. Modely, které jsou na takových souborech dat trénovány, mají tendenci reagovat šířeji, ale méně přesně. Často si tak vytvoří určitou "jazykovou šíři", která je působivá v obecných aplikacích, ale ve specializovaných prostředích může vést k libovůli. FileMaker naproti tomu podporuje pravý opak: data jsou zde cíleně vybírána a kurátorsky upravována, často přímo z tabulky, která odráží skutečný obchodní kontext. To vede k přirozenému zaměření - model se neučí vše, ale to, co je relevantní.
Zapouzdřený proces zajišťuje lepší stabilitu
Dalším bodem je reprodukovatelnost. Klasické školení LoRA obvykle probíhá v prostředích, která se rychle mění v důsledku aktualizací verzí, ovladačů GPU nebo změn knihoven. Školení, které dnes funguje, může zítra selhat. FileMaker se s touto nejistotou vypořádává tím, že celý proces zapouzdřuje. Server AI Model Server používá jasně definovaný běh MLX, který není závislý na uživateli ani na připojení k internetu. To sice vede k menší flexibilitě, ale také k větší stabilitě - a právě ta je v produktivních scénářích klíčová.
Hodnocení výsledků se také liší. Ve světě open source se kvalita často měří pomocí kvantitativních ukazatelů - perplexity, přesnosti, skóre BLEU. FileMaker naproti tomu pracuje tišeji: výsledek je patrný v každodenním životě, když systém najednou přesněji odpovídá na interní otázky nebo když automaticky generovaný text zní přirozeněji. Jedná se o kvalitativní rozdíly založené na zkušenostech - jak model reaguje na známé termíny, jak zachycuje tonalitu specifickou pro danou firmu nebo jak méně "halucinuje" s odbornými termíny.
V neposlední řadě nelze podceňovat časový faktor. Školení PEFT s Axolotlem nebo kohya_ss může snadno trvat mnoho hodin nebo dokonce dnů, včetně přípravy a následného zpracování. Naproti tomu školení v aplikaci FileMaker lze spustit během několika minut a provádět souběžně s jinými úkoly. Tato rychlost mění způsob práce se systémy umělé inteligence: Z technického projektu se stává každodenní proces.
Výsledek ukazuje, že kvalitativní rozdíl nespočívá ani tak ve výkonnosti modelu, jako spíše v jeho dostupnosti a použitelnosti. Modely FileMaker LoRA jsou často menší, soustředěnější a stabilnější - a právě to je činí cennými pro reálné pracovní procesy. Naproti tomu PEFT LoRA mohou být hlubší, přizpůsobivější a na hranici možností i výkonnější, pokud jsou správně vyškoleny. Je to jako srovnávat přesný stroj s univerzální laboratoří: Obojí má své využití, ale slouží k různým účelům.
A možná právě v tom spočívá poučení z tohoto nového vývoje - že kvalita není jen o číslech, ale o spolehlivosti, srozumitelnosti a schopnosti uvést znalosti do organizovaného rámce. FileMaker 2025 ukazuje, že i ve světě přeplněném experimenty někdy přináší rozvážné, integrované řešení lepší výsledky.
Přenositelnost a udržitelnost - mezi světy
Když se podíváte na dnešní modelové formáty, skoro vám to připomene začátky počítačů, kdy každý systém mluvil svým vlastním jazykem. To, co dříve byly diskové formáty, jsou dnes tenzorové formáty: GGUF, safetensors, ckpt, MLX. Zdá se, že každý framework, každý engine si udržuje svou vlastní logiku. A stejně jako jste dříve při přechodu z Windows na Mac potřebovali adaptéry, dnes potřebujete konverzní skripty - někdy z MLX do GGUF, jindy naopak.
Společnost FileMaker 2025 zde záměrně uvádí bod. Nový AI Model Server používá jako backend výhradně MLX - framework, který Apple vyvinul pro svůj vlastní Silicon. MLX je stále mladý, ale koncepčně silný: umožňuje trénování, odvozování a jemné ladění LoRA v konzistentním paměťovém formátu, optimalizovaném pro neuronová jádra M-Chips. Rozhodnutí společnosti Claris přijmout tento systém proto není náhodné. Řídí se filozofií vytvoření stabilního, kontrolovaného prostředí, které lze provozovat zcela lokálně.
To má důsledky pro přenositelnost. Model LoRA natrénovaný v aplikaci FileMaker má automaticky předponu fm-mlx- a lze jej použít přímo v běhovém prostředí MLX. Pokud jej však chcete použít v jiném prostředí - například v LM Studiu, Ollama nebo llama.cpp - musíte se odklonit pomocí konverze. To je technicky možné, ale zatím ne triviální. Ačkoli existují první nástroje, které mohou převádět modely MLX do GGUF, zatím neexistuje žádný standardizovaný most. Důvod nespočívá ani tak v matematice, jako spíše v organizaci: MLX je zaměřen na Apple, zatímco GGUF je řízen komunitou. Oba systémy se rychle vyvíjejí, ale nezávisle na sobě.
V praxi to znamená, že každý, kdo pracuje s FileMakerem, zůstává zpočátku v uzavřeném, ale stabilním ekosystému. Pro mnoho případů použití to není nevýhoda - naopak. Jistota, že model je vyškolen, uložen a používán ve stejném prostředí, má výhody, které dalece přesahují technické pohodlí. Týká se to otázek sledovatelnosti, suverenity dat a dlouhé životnosti. Zatímco open source frameworky často žijí v krátkých inovačních cyklech, FileMaker tradičně stojí na konzistenci. Modely, které jsou dnes natrénované, budou ve stejné podobě spustitelné i za dva nebo tři roky - a to je hodnota, kterou lze v podnikovém kontextu jen stěží přeceňovat.
Nicméně touha po zaměnitelnosti zůstane zachována. Je možné - a z dlouhodobého hlediska téměř nevyhnutelné - že Claris v budoucnu nabídne exportní funkce, například do GGUF nebo ONNX. To by umožnilo používat modely i mimo svět FileMakeru, aniž by se ztratilo jejich jádro. Stejně tak je pravděpodobné, že samotný MLX silněji proroste do světa open source a že bariéry mezi prostředím Apple a prostředím mimo Apple budou pomalu mizet.
Prozatím však FileMaker stojí na jasně definovaném základu: stabilita nad rozmanitostí, jednoduchost nad přetížením. Je to rozhodnutí, které se nebude líbit každému, ale z dlouhodobého hlediska dává smysl. Protože ve světě, ve kterém je možné všechno najednou, bude mít opět váhu to, co spolehlivě funguje.
Závěr - Od experimentu k nástroji
Nakonec si uvědomíme, že FileMaker 2025 svým příkazem LoRA nezavedl pouze novou funkci, ale vyslal signál. Signál, že školení AI již není výsadou specialistů, ale může se stát součástí běžných podnikových procesů. Integrace LoRA do systému, který je již desítky let symbolem stability, sledovatelnosti a uživatelské přívětivosti, znamená zlom - nikoli ve výzkumu, ale v praxi.
Klasické školení LoRA, ať už s kohya_ss nebo PEFT, si zachová své místo. Zůstane doménou vývojářů, výzkumníků a hobbyistů - těch, kteří chtějí detailně pochopit, jak se modely chovají, kteří se chtějí podívat na každou váhovou matici zvlášť. Tato otevřenost má svou hodnotu, je základem pokroku. Cenou za ni je však úsilí, nejistota a určitá křehkost.
FileMaker naproti tomu volí druhou cestu: redukuje složitost na nejnutnější a komplikovaný proces mění na opakovatelnou rutinu. Jemné doladění se stává příkazem skriptu, model se stává součástí databáze, UI se stává jedním z mnoha nástrojů. Tím se technologie nezmenšuje, ale stává se hmatatelnější. Ztrácí svůj experimentální charakter a získává vhodnost pro každodenní použití.
Kvalitativní rozdíl není ve výpočetním výkonu nebo rozsahu parametrů, ale v přístupu. Zatímco mnohé platformy umělé inteligence zaplavují uživatele možnostmi, Claris jde klidnější cestou - cestou integrace. Vše se stejně odehrává tam, kde se data nacházejí. Nejde o technologický trik, ale o vyjádření filozofie: procesy patří k sobě, ne vedle sebe.
Možná právě to je skutečný pokrok - že se neustálé hledání nových možností konečně proměnilo v nástroj, který lze pochopit, ovládat a kontrolovat. FileMaker 2025 dává LoRA tam, kam patří: do rukou těch, kteří s daty pracují, a ne jen do laboratoří těch, kteří je zkoumají.
A tak se kruh uzavírá: od chaotického terminálového okna přes první experimentální doladění až po příkaz skriptu, který dělá totéž - jen čistě, strukturovaně a srozumitelně. Tichá, ale významná změna. Protože někdy se svět nemění kvůli tomu, co je znovu vynalezeno, ale kvůli tomu, co nakonec prostě funguje.
V příštím článku popíšeme, jak lze jazykový model trénovat v praxi na příkladu skriptu s programem FileMaker.
Často kladené otázky
- Co přesně je LoRA a k čemu se používá při trénování jazykových modelů?
LoRA je zkratka pro Low-Rank Adaptation. Jedná se o proces, při kterém se upravuje pouze malá část parametrů modelu s cílem přizpůsobit rozsáhlý jazykový model konkrétním úlohám nebo stylům psaní. Místo změny miliard vah se trénují další malé matice ("adaptéry"). Tím se šetří paměť, čas a výpočetní výkon. Základní model zůstává nezměněn, což činí modely LoRA obzvláště flexibilními a úspornými z hlediska zdrojů. - Jaký je rozdíl mezi školením FileMaker LoRA a klasickým školením PEFT s Axolotlem nebo kohya_ss?
V podstatě ani ne - oba používají stejnou matematickou myšlenku. Rozdíl spočívá v prostředí. Výuka PEFT probíhá v otevřených rámcích s velkým počtem pák, obvykle prostřednictvím knihoven Pythonu. Naproti tomu FileMaker integruje tento proces do svého serveru AI Model Server. Školení probíhá lokálně prostřednictvím MLX na systémech Apple Silicon a je prováděno prostřednictvím Skript řízené. Důraz je zde kladen spíše na stabilitu a integraci než na svobodu výzkumu. - Co je AI Model Server v aplikaci FileMaker 2025?
AI Model Server je místní komponenta, která poskytuje, trénuje a spouští textové modely - výhradně na hardwaru Apple Silicon. Tvoří technický základ pro všechny funkce AI v aplikaci FileMaker, včetně generování, vkládání a dolaďování textu. Díky tomu může firma používat modely AI bez nutnosti přenášet data do externích cloudů. - Jak vlastně funguje školení LoRA v aplikaci FileMaker 2025?
Uživatel ve skriptu vyvolá nový příkaz Fine-Tune Model. Vstupem je buď tabulka v databázi FileMaker (např. s výzvami a odpověďmi), nebo externí soubor JSONL se strukturou chatu. Trénování se poté spustí lokálně prostřednictvím serveru AI Model Server. Po dokončení se vygeneruje nový model s prefixem fm-mlx-..., který lze okamžitě použít ve skriptech nebo rozvrženích. - Které parametry lze nastavit pro školení FileMaker?
FileMaker umožňuje několik specifických, ale rozhodujících parametrů:
- max_steps - Počet kroků školení
- learning_rate - Rychlost učení
- batch_size - Velikost školicích dávek
- lora_layers - Počet vrstev adaptéru
Díky tomu je školení přehledné a nehrozí riziko nesprávné konfigurace. - Jaké jsou výhody školení prostřednictvím FileMakeru ve srovnání s tradičními nástroji?
Největší výhoda spočívá v integraci. Pracujete přímo s daty, která jsou již v systému k dispozici, a ušetříte za nastavení, proměnné prostředí, instalace balíčků nebo konfigurace GPU. Vše navíc zůstává lokální a reprodukovatelné. To je pro firmy rozhodující argument - ochrana dat, dohledatelnost a jednoduchá údržba. - Je FileMaker-LoRA méně kvalitní než PEFT-LoRA?
Ne zásadně. Základní metoda je totožná. Rozdíly vyplývají z velikosti datového souboru, výběru parametrů a vyhodnocení. FileMaker se spoléhá na stabilní výchozí nastavení a strukturované datové sady, zatímco nastavení PEFT nabízí větší experimentální volnost. V mnoha případech FileMaker dokonce dosahuje konzistentnějších výsledků, protože méně proměnných je náchylných k chybám. - Lze FileMaker použít také k trénování větších základních modelů, např. Llama 3 nebo Mistral?
Ano, pokud je základní model ve formátu MLX a je podporován serverem AI Model Server. FileMaker je optimalizován pro textové modely, které běží lokálně na křemíkových čipech Apple. Velmi rozsáhlé modely jsou však omezeny kapacitou paměti RAM a grafického procesoru - obvykle jsou vhodné modely do přibližně 8 až 14 miliard parametrů. - Mohu model vycvičený v aplikaci FileMaker použít mimo FileMaker?
V současné době pouze s omezeními. Model je k dispozici ve formátu MLX a je určen přímo pro AI Model Server. Existují počáteční konverzní nástroje pro export do jiných formátů (např. GGUF, ONNX), ale jsou zatím experimentální. Claris by tuto funkci mohl v budoucnu oficiálně podporovat. - Jaké jsou hardwarové požadavky pro školení v aplikaci FileMaker?
Je vyžadován Mac s čipem Apple Silicon (M1, M2, M3 nebo novějším). Při tréninku se využívá Neural Engine a jednotky GPU čipu. Počítače Mac s procesorem Intel nejsou podporovány. Pro větší datové sady doporučujeme alespoň 16 GB RAM, nejlépe 32 GB nebo více. - Jak je to s ochranou a zabezpečením dat při školeních FileMakeru?
Školení probíhá výhradně na místě. Žádná data se nepřenášejí třetím stranám a nepoužívá se žádné cloudové rozhraní API. Pro společnosti, které pracují s důvěrnými nebo osobními údaji, je to rozhodující výhoda oproti externím službám AI. - Mohu ve FileMakeru spustit několik modelů najednou?
Server AI Model Server v současné době podporuje vždy jeden model. Můžete si však vytvořit libovolný počet jemných modelů a načítat je nebo odpojovat podle potřeby. Toto omezení slouží stabilitě a předvídatelnosti systému. - Jak velký je rozdíl v náročnosti školení mezi aplikací FileMaker a klasickou aplikací LoRA?
Je značný. Zatímco klasické nastavení PEFT často vyžaduje hodiny nebo dny příprav - instalace, závislosti, testovací běhy - FileMaker je připraven k provozu během několika minut. Samotný proces školení je také rychlejší, protože MLX pracuje velmi efektivně na Apple Silicon. To šetří čas a nervy, i když ztratíte část kontroly. - Které typy textových dat jsou pro školení nejvhodnější?
Ideální jsou strukturovaná data podobná dialogům: Dotazy zákazníků, diskuse podpory, interní znalostní databáze, často kladené dotazy nebo technické texty. Je důležité, aby data byla jasně formulovaná a měla rozpoznatelný vzorec. LoRA se neučí "obsah", ale jazykové a kontextové struktury - kvalita přebíjí kvantitu. - Jak lze posoudit kvalitu modelu FileMaker LoRA?
Ne s abstraktními metrikami, ale s praktickým využitím. Kontrolujete, zda model konzistentně odpovídá na interní otázky, zda správně používá odborné termíny a zda tonalita odpovídá požadovanému stylu. FileMaker umožňuje jednoduché srovnávací testy, například pomocí skriptů, které posílají výzvy různým modelům a ukládají odpovědi. - Je možné odstranit nebo přepsat model FileMaker LoRA?
Ano, vyladěné modely lze spravovat, odstraňovat nebo nahrazovat v konzole pro správu serveru AI Model Server. Vzhledem k tomu, že základní modely zůstávají beze změny, je riziko minimalizováno. Můžete je kdykoli přeškolit, aniž byste ztratili výchozí bod. - Jak si FileMaker vede v porovnání s cloudovým laděním pomocí OpenAI nebo Anthropic?
FileMaker nabízí místní ovládání, zatímco cloudové služby obvykle trénují na straně serveru a výsledky vracejí prostřednictvím rozhraní API. Nevýhoda cloudu: vysoké náklady, omezená ochrana dat a žádný přímý přístup k modelu. FileMaker dosahuje opaku - plná suverenita dat, žádná závislost na třetích stranách, ale omezení na hardware Apple. - Jak stabilní je MLX jako platforma pro školení LoRA?
Společnost MLX je stále mladá, ale technicky vyspělá. Byl vyvinut společností Apple speciálně pro neuronové sítě na čipech M a nabízí překvapivě vysoký výkon při nízké spotřebě energie. Ve spojení s FileMakerem se jeví jako solidní základ pro lokální aplikace umělé inteligence, i když v současné době má menší podporu komunity než PyTorch. - Bude FileMaker v budoucnu podporovat také export do otevřených formátů?
To je pravděpodobné. Společnost Claris v posledních letech několikrát zdůraznila, že chce dlouhodobě podporovat otevřené standardy. Export do GGUF nebo ONNX by byl dalším logickým krokem, aby bylo možné integrovat školení FileMaker do externích prostředí (např. LM Studio nebo Ollama). To zatím nebylo oficiálně oznámeno, ale je to technicky proveditelné. - Vyplatí se zkušeným uživatelům PEFT přechod na FileMaker-LoRA?
To záleží na cíli. Pokud chcete provádět hloubkový výzkum, porovnávat metriky nebo testovat vlastní architektury, je lepší zůstat u Axolotlu nebo LLaMA-Factory. Pro ty, kteří potřebují stabilní, opakovatelné školení v kontrolovaném prostředí - například pro interní asistenty, specializovaný jazyk nebo automatizaci procesů - je FileMaker neobyčejně elegantním řešením.
Markus Schall vyvíjí od roku 1994 databáze, rozhraní a podnikové aplikace na míru založené na Claris FileMaker. Je partnerem společnosti Claris, držitelem ocenění FMM Award 2011 a vývojářem aplikace Software ERP gFM-Business. Je také autorem knih a zakladatelem organizace M. Schall Publishers.
